墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
700+累计阅读
745平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
有三AI-知识星球上线新玩法了，这个玩法叫做"看图猜技术”，顾名思义，就是有三出一些对比图，大家猜测背后的核心技术。
1、为什么出这个板块
出这个板块是出于两个方面的考虑，下面分别道来。
1、我们的所有技术文章都是非常系统性的，甚至是难度依次增加的，这带来了一个劣势，就是灵活性不够。虽然我不是很喜欢碎片化的知识，但是如果在玩耍中学习到知识，倒是不失为一个学习的好途径。
2、很多的同学学习深度学习计算机视觉，知识仅仅局限在很狭隘的一个领域，对其他领域不甚了解，对传统图像算法更是一无所知。这是深度学习带来的躁动，笔者从传统图像算法开始学习，深知它的重要性。另一方面很多的深度学习算法都是从传统算法中获得灵感，所以这一个板块，我们会更加侧重于传统图像算法知识的补充。
2、已有内容
好了，大家不妨猜猜下面这些背后都是什么技术吧。
本周直播
有三AI生态
更多请关注知乎专栏《有三AI学院》
转载文章请后台联系
侵权必究
往期精选
别再被无限debugger卡住了！Chrome DevTools实战绕过技巧（含Hook与文件替换）
本文详细介绍了如何通过Chrome DevTools绕过无限debugger封锁的实战技巧，包括Hook技术与文件替换方法。针对常见的定时器轰炸、循环陷阱和动态注入等反调试手段，提供了高效的解决方案，帮助开发者快速突破调试障碍，提升爬虫和逆向工程效率。
今天，正式介绍一下Java极客技术知识星球
前面煽情的文字就不放了，还是那句 别让高手和你距离越来越远，其实你也是高手！从创建知识星球到现在已经过去一个月的时间了，在这里正式介绍一下 Java极客技术知识星球星球...
如何实现MCGS与S7-200SMART PLC以太网多台通信控制？
第九步：（设备工具箱—设备管理—鼠标依次点击通用TCP/IP父设备—西门子_ Smart200到设备窗口里面去）数据类型：第0位（指PLC地址变量小数点后面的位数，例如我地址是M0.0，那么在数据类型应填写通道的第00位）第十步：（鼠标双击打开通用TCPIP父设备0--[通用TCP/IP父设备]进入通信配置）通道地址：0（指小数点前面起始字节的地址，例如我地址是M0.0，那么应在通道地填写0）。第七步：（选择通用TCP/IP父设备，点击新增，右侧选定设备就会自动添加进去。
【完结】AI1000问以后知识星球和B站见啦
文/编辑 | 言有三 学习从来都是从大处着眼，小处着手。前段时间公众号开通了专栏《AI 1000问》，专门选择那些很小，容易被忽视，普通但是不简单，可以引申很多思考的问题，得到了大家的喜欢，现在已经12期了。 因为知识点无法系统性串接，而且内容更新会不定时，所以后续AI1000问就会全部并入知识星球了，欢迎继续来关注噢。 下面我们再来回顾一下之前的12个问题吧，在没有看我们公众号内容之前...
2024年中科大分子生物研究生考试建议
分子生物学复习资料及往年考题。
5G NR LDPC码（2）—— 从基图到速率匹配：解码5G高速数据信道的标准化设计
本文深入解析了5G NR LDPC码的标准化设计流程。从作为核心骨架的基图（BG1/BG2）出发，详细阐述了其如何通过扩展因子Z灵活生成实际校验矩阵，并协同传输块大小计算与分段策略。文章重点剖析了基于循环缓存和冗余版本的速率匹配机制，以及其如何高效支撑增量冗余混合自动重传请求，从而确保5G高速数据信道在复杂环境下的可靠与高效传输。
推荐 10 个优质的知识星球
可能很多人还不了解知识星球，它是什么呢？ 知识星球是创作者连接铁杆粉丝，做出高品质社群，实现知识变现的工具。 作为粉丝，知识星球是一个学习工具，可以订阅星球主创建的星球学习知识。 哪些星球值得订阅呢，作为一个知识星球的资深用户，为大家推荐 10 个最值得订阅的星球。 1.Caoz的小密圈 「Caoz的小密圈」是由曹政创建的，他是前百度商业产品部 boss，技术大牛，运营一个公众号「Caoz的梦呓」...
CRC_16---ModBus 计算方法及代码实现
1、 CRC寄存器初始值为 0xFFFF；即16个字节全为1； 2、 CRC-16 / ModBus的多项式0xA001H (1010 0000 0000 0001B) ； ‘H’表示16进制数，‘B’表示二进制数。 计算步骤为： (1).预置 16 位寄存器为十六进制 0xFFFF（即全为 1） ，称此寄存器为 CRC 寄存器； (2).把第一个 8 位数据与 16 位 CRC 寄存器的低位相异或，把结果放于 CRC 寄存器； (3).检测相异或后的CRC寄存器的最低位，若最低位为1，CRC寄存器
【知识星球】猫猫狗狗与深度学习那些事儿
欢迎大家来到《知识星球》专栏，这两天有三AI知识星球会更新一些猫狗相关的数据集和任务，可爱的猫猫狗狗对深度学习可是做出了不少的贡献呢。作者&编辑 | 言有三有三A...
基于深度学习的三维重建算法——详解与实现
随着深度学习技术的迅猛发展，基于深度学习的三维重建算法在最近几年取得了显著的进展。而基于深度学习的三维重建算法通过利用深度神经网络，能够从大规模数据中学习到更准确、鲁棒的三维结构表示。本文综述了基于深度学习的三维重建算法，并给出了相应的源代码。随着深度学习技术的不断发展，我们相信基于深度学习的三维重建算法将会在未来得到更广泛的应用。实验结果表明，基于深度学习的三维重建算法在准确性和鲁棒性方面取得了显著的提升。以上是关于基于深度学习的三维重建算法的详细介绍与实现，希望对您有所帮助。
矢量网络分析仪校准：原理、方法与系统适配性
矢量网络分析仪（VNA）校准是射频测量的关键环节，通过误差建模（12项误差项）和标准件测量，可将系统不确定度从±5dB降至±0.1dB以下。主流校准方法包括SOLT（适用于同轴系统）和TRL（适用于波导系统），二者在标准件、误差重点及频率上限等方面存在显著差异。随着6G与量子通信的发展，动态实时校准将成为新趋势。工程师需根据传输结构、频率范围及精度需求选择合适方法，确保测量精度。
数字后端面试问答No.1-3（每日三问）
数字后端面试问答No.1-3（每日三问） 点击标题下「蓝色微信名」可快速关注 最近公众号陆续收到粉丝们的留言，其中不少反应马上就到应届生校园招聘的时候了，要求发些各大公司的数字后端笔试面试题目。所以吾爱 IC 社区的小编也在陆续整理，汇编各种笔试面试题目，当然还包括自己命题的一些题目（网上肯定找不到的题目）。目前试推出每日三问，看看效果，有任何建议和意见欢迎在公众号留言。另外，微信技术交流群目前已经超过 100 人了，不能扫描进入，所以想进微信群交流的朋友，可以加小编微信（文章末尾处有二维码），然后邀请各位
【大模型】DeepSeek 高级提示词技巧使用详解
DeepSeek 高级提示词技巧使用详解
鲜枣课堂知识星球成立1000天啦！（内含赠书福利）
从第一个问题被回答，到现在积累了数不清的讨论和干货——是你们的每一次提问、每一次分享，让这里变成了一个真正有用的地方。星球里已经收集超过了5万多份资料，这里面既有我们从海量信息中精选的“干货”，也有超过2000页我们团队自己一字一句创作的原创PPT。，将获得小枣君亲笔签名的《通信简史》一本（还附赠精美书签一份），全国包邮哦！在这1000天里，我们团队也一直都在努力为大家提供更好的知识服务。期待大家的精彩留言，提前祝大家国庆&中秋节日快乐，阖家幸福！我们诚挚邀请您在本文章下留言，分享您与鲜枣课堂的故事。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
每日一篇SCI：DeepSeek专属论文写作“喂饭”秘籍
提供研究背景、目的、方法、结果和结论的简要描述。
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
《SQL每日一题》栏目一周年了
点击关注上方“SQL数据库开发”，设为“置顶或星标”，第一时间送达干货大家好，我是李岳1今天是11月2日，去年的今天，我开始在公众号上发布《SQL每日一题》。主要是希望通过刷题的方式，对...
温度PID控制PLC程序
温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值
想转行到具身智能领域，你必须了解的行业干货！
星球正式运营已六个月，星球内部已设13个专栏（行业洞察（原创）、人形机器人、投融资、周/月资讯、前沿技术、行业报告等），已输出内容数量近700，500+位星球成员；团队每日会更新全球机器人（人形、工业、服务、核心模块）领域最新资讯和动态，包括但不限于行业领域公司成立、融资、产品进展、增/裁员、技术突破，并进行周资讯和月资讯汇总（分为大事件汇总和融资事件汇总），并输出个人观点。星球成员可选择加入，群成员基本都是具身智能领域VC、机器人本体、产业链等相关公司从业者（诸多行业大佬）；
【知识星球】视频分析/光流估计网络系列上线
欢迎大家来到《知识星球》专栏，这两天有三AI知识星球会更新一些光流估计相关的网络介绍，在视频分析等任务中，光流有着举足轻重的地位。作者&编辑 | 言有三有三AI知...
Innovus中timing eco后setup margin跑哪里去了?(知识星球福利活动)
Innovus中timing eco后setup margin跑哪里去了?(知识星球福利活动) 之前小编承诺知识星球每年会做1-2 次 的优惠活动（中秋节和春节），今天抽空简单做了两个优惠券海报，名额有限，需要的可以领取使用。 新用户优惠券 老用户续费优惠券 知识星球提供的主要服务 数字后端实现技术疑问解答 Synopsys&Cadence 各工具 workshop,lab guide 以及 lab data 数字 IC 后端笔试面试500 题 （带答案版本） EDA 虚拟机 +
每日全市场行情用动态矩形树图会有多直观！股票量化分析工具QTYX-V2.2.5
前言当我们在选股的时候，应该要有宏观分析的视角。按照先行业后个股的思路，比如先从行业层面选择更有发展潜力的板块，然后在行业内选择更有发展潜力的个股。那么如何更直观地去对比行业走势呢？又如何...
国庆还在写技术干货的几个公众号大佬，值得关注！
下面这几个公众号，不但平时会发一些技术文章，有些时候还会发一些有意思的漫画文章、段子，让大家在学习编程的路上不但技术能提升，而且不那么枯燥。人工智能爱好者社区专注人工智能...
【新手python程序员必须明白的真相】130.新手python程序员必须明白的如何跟上技术潮流？保持学习热情的3个方法
技术浪潮永远不会停歇，但冲浪高手都懂得借力使力。记住：学编程不是吃自助餐，不必样样尝尽；而是做米其林主厨，把拿手菜做到极致。那些让你焦虑的"必学清单"，多半是培训机构的话术陷阱。下次再看到新框架的热搜，先打开你的技术雷达图，喝口肥宅快乐水，淡定地打开每日挑战脚本。保持自己的节奏，毕竟在这个行业，跑完马拉松的才是赢家。代码世界没有彼岸，但每一步都算数——这句话，等你三年后再来品。
【知识星球】视频分类模型和数据集板块汇总介绍
欢迎大家来到《知识星球》专栏，这里是网络结构1000变和数据集小专题。作者&编辑 | 言有三 1 视频分类问题基于深度学习的视频分类包含非常多的方法，如3D卷积...
详细介绍「黄钊的AI日报·第一季」
1、缘起：在咱们星球“AI产品经理大本营”里，内容权益之一“AI日报”，已打磨了5个月，用户口碑非常好，被誉为“业内最干货的AI日报”，并得到了大量手动点赞！但最近有PM同学说，他希望推荐给身边对AI感兴趣的非PM同事，或还没加入星球的PM——星球其他的社群类价值，他们暂时不需要，那是否能单独订阅“AI日报”呢？所以，我们就想到了“小报童”。2、内容：每天精选5条最新“AI内容点+手动提炼核心干货...
加入星球后必看！
欢迎加入星球 首先非常欢迎你加入星球，加入星球后请先下载APP，我们会督促你每天学习打卡的。长久坚持 一定要和我们长久的坚持下去，不要掉队，这样就超过80%的人啦。勤学似春起之苗，不见其增，日有所长。星球入口 这是星球的网页版[1]更建议下载「知识星球APP」，功能非常强大，欢迎我们一起学习打卡，通过刻意练习，养成总结复盘的好习惯。每个月我都会更新打卡任务：置顶必看 建议花时间好好看看星球内容，尤...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
243
扫一扫
